CN116611591A - 一种售电量预测方法、系统、电子设备及介质 - Google Patents
一种售电量预测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN116611591A CN116611591A CN202310895810.7A CN202310895810A CN116611591A CN 116611591 A CN116611591 A CN 116611591A CN 202310895810 A CN202310895810 A CN 202310895810A CN 116611591 A CN116611591 A CN 116611591A
- Authority
- CN
- China
- Prior art keywords
- sales
- sequence
- electricity
- electricity sales
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据处理技术领域,其目的在于提供一种售电量预测方法、系统、电子设备及介质。本发明通过预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;再根据售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;并根据售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;最后根据售电量预测模型可得到待预测周期的售电量预测结果。本发明可利于把握售电量的基本变化规律以及周期性变化规律,进而保证长周期售电量预测结果的准确性,可以为调度部门做出相关决策提供有力的帮助。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种售电量预测方法、系统、电子设备及介质。
背景技术
售电量是指电力企业售给用户的电量以及供给本企业非电力生产、基本建设、大修和非生产部门等所使用的电量。售电量是电力营销管理系统的重要组成部分,是衡量电力企业经营管理水平的重要指标。对未来特定时间段的售电量进行预测,基于售电量预测结果能够预判电力企业的运营状况,可方便电力企业及时调整电量供给策略,并为进行配电网规划等提供数据依据,对提高电力企业规避风险的能力,最大限度发挥当前电网潜力,以及提升电网的稳定性均具有重大意义。
由于一段时间内的售电量具有时间序列特性,现有技术中,通常采用基于时间序列的时间序列分析法进行售电量预测,其通过在目标时间段内进行售电量梳理,并在此基础上得到售电量计算模型(如整合移动平均自回归模型),进而基于售电量计算模型实现对未来特定时间段的售电量预测。
但是,在使用现有技术过程中,发明人发现现有技术中至少存在如下问题:
现有技术中基于时间序列分析法进行售电量预测时,由于未考虑如气温、降水量、季节等因素的影响,使得采用现有技术进行预测时的局限性较大,预测结果准确率较低,仅适用于短期的售电量预测,不适用于对较长时间段内进行售电量预测。
发明内容
本发明旨在至少在一定程度上解决上述技术问题,本发明提供了一种售电量预测方法、系统、电子设备及介质。
为了实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供了一种售电量预测方法,包括:
采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;其中,所述预处理后历史售电量序列中包括N个连续采集周期的售电量序列,N为自然数,且N≥2;
根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;其中,n为自然数,且2≤n<N;
根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;
根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;
获取待预测周期,并将所述待预测周期输入所述售电量预测模型中,得到所述待预测周期的售电量预测结果。
本发明可提高售电量预测结果的准确性,适用于长期的售电量预测。具体地,本发明在实施过程中,通过采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;再根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;随后根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;并根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;最后根据所述售电量预测模型可得到待预测周期的售电量预测结果。在此过程中,本发明通过售电量变动趋势模型及售电量周期变化指数集得到售电量预测模型,可利于把握售电量的基本变化规律以及周期性变化规律,进而保证长周期售电量预测结果的准确性,可以为调度部门做出相关决策提供有力的帮助。
在一个可能的设计中,对所述历史售电量序列进行预处理,得到预处理后历史售电量序列,包括:
对所述历史售电量序列中的售电量数据进行单位转换,得到单位转换后历史售电量序列;
对所述单位转换后历史售电量序列中进行去重操作,得到去重后历史售电量序列;
获取所述去重后历史售电量序列中的异常值,并将所述异常值从所述去重后历史售电量序列中删除,得到清洗后历史售电量序列;
对所述清洗后历史售电量序列中的缺失值进行数据填补,得到预处理后历史售电量序列。
在一个可能的设计中,获取所述去重后历史售电量序列中的异常值,包括:
根据所述去重后历史售电量序列中的所有售电量数据,得到所述去重后历史售电量序列中的第一分位数和第二分位数;其中,所述第一分位数小于所述第二分位数;
根据所述第一分位数和第二分位数,得到下边界值和上边界值;
根据所述下边界值和所述上边界值,得到所述去重后历史售电量序列中小于下边界值或大于上边界值的售电量数据,并将该售电量数据作为异常值。
在一个可能的设计中,下边界值=第一分位数-(第二分位数-第一分位数)×1.5,上边界值=第二分位数+(第二分位数-第一分位数)×1.5。
在一个可能的设计中,n=3;对应地,根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型,包括:
对所述预处理后历史售电量序列中的第一个连续采集周期的售电量序列和第二个连续采集周期的售电量序列进行移动平均处理,得到第一单次移动平均后售电量序列;
对所述预处理后历史售电量序列中的第二个连续采集周期的售电量序列和第三个连续采集周期的售电量序列进行移动平均处理,得到第二单次移动平均后售电量序列;
对所述第一单次移动平均后售电量序列和所述第二单次移动平均后售电量序列进行移动平均处理,得到二次移动平均后售电量序列;
根据所述第一单次移动平均后售电量序列、所述第二单次移动平均后售电量序列和所述二次移动平均后售电量序列,得到售电量变动趋势模型。
在一个可能的设计中,所述售电量周期变化指数集为第N个采集周期的预测售电量序列中的所有预测售电量与第N个采集周期的售电量序列中的所有售电量一一对应的比值集合。
在一个可能的设计中,所述售电量预测模型为:
=f(t)×/>;
式中,为待预测周期t的售电量预测结果;f(t)为所述售电量变动趋势模型;/>为所述售电量周期变化指数集。
第二方面,本发明提供了一种售电量预测系统,用于实现如上述任一项所述的售电量预测方法;所述售电量预测系统包括:
样本采集模块,用于采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;其中,所述预处理后历史售电量序列中包括N个连续采集周期的售电量序列,N为自然数,且N≥2;
趋势模型生成模块,与所述样本采集模块通信连接,用于根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;其中,n为自然数,且2≤n<N;
变量集生成模块,分别与所述样本采集模块和所述趋势模型生成模块通信连接,用于根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;
预测模型生成模块,分别与所述趋势模型生成模块和所述变量集生成模块通信连接,用于根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;
售电量预测模块,与所述预测模型生成模块通信连接,用于获取待预测周期,并将所述待预测周期输入所述售电量预测模型中,得到所述待预测周期的售电量预测结果。
第三方面,本发明提供了一种电子设备,包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如上述任一项所述的售电量预测方法的操作。
第四方面,本发明提供了一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,所述计算机程序指令被配置为运行时执行如上述任一项所述的售电量预测方法的操作。
附图说明
图1是实施例中一种售电量预测方法的流程图;
图2是实施例中一种售电量预测系统的模块框图;
图3是实施例中一种电子设备的模块框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
实施例1:
本实施例公开了一种售电量预测方法,可以但不限于由具有一定计算资源的计算机设备或虚拟机执行,例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行,或者由虚拟机执行。
如图1所示,一种售电量预测方法,可以但不限于包括有如下步骤:
S1.采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;其中,所述预处理后历史售电量序列中包括N个连续采集周期的售电量序列,N为自然数,且N≥2;具体地,本实施例中,采样周期可以为周、月、年等,由于不同季节的温度大不相同,温度与售电量存在强关联,为实现售电量预测模型的准确构建,本实施例中,将一个采样周期设定为一年。
本实施例中,对所述历史售电量序列进行预处理,得到预处理后历史售电量序列,包括:
S101.对所述历史售电量序列中的售电量数据进行单位转换,得到单位转换后历史售电量序列;需要说明的是,目标区域的历史售电量序列中的售电量数据可能由不同机构采集得到,采用的售电量单位可能不同,对其进行单位转换,可便于实现后续的数据处理和分析。
S102.对所述单位转换后历史售电量序列中进行去重操作,得到去重后历史售电量序列;需要说明的是,如所述单位转换后历史售电量序列中,某一日或某一月存在多个对应的售电量,则取其平均值作为该日或该月的历史售电量,以便去除所述单位转换后历史售电量序列中的冗余信息。
S103.获取所述去重后历史售电量序列中的异常值,并将所述异常值从所述去重后历史售电量序列中删除,得到清洗后历史售电量序列;应当理解的是,将所述异常值从所述去重后历史售电量序列中删除后,得到的清洗后历史售电量序列中,原异常值所在位置保持空缺,以便进行后续处理,由此利于保证售电量序列中售电量数据与时间的对应关系。
本实施例中,获取所述去重后历史售电量序列中的异常值,包括:
根据所述去重后历史售电量序列中的所有售电量数据,得到所述去重后历史售电量序列中的第一分位数和第二分位数;其中,所述第一分位数小于所述第二分位数;本实施例中,第一分位数如为所述去重后历史售电量序列中所有售电量数据的20%分位数,第二分位数如为所述去重后历史售电量序列中所有售电量数据的80%分位数,用于筛选所述去重后历史售电量序列中售电量数据的异常值。
根据所述第一分位数和第二分位数,得到下边界值和上边界值;具体地,作为举例,本实施例中,下边界值=第一分位数-(第二分位数-第一分位数)×1.5,上边界值=第二分位数+(第二分位数-第一分位数)×1.5。
根据所述下边界值和所述上边界值,得到所述去重后历史售电量序列中小于下边界值或大于上边界值的售电量数据,并将该售电量数据作为异常值。
S104.对所述清洗后历史售电量序列中的缺失值进行数据填补,得到预处理后历史售电量序列。应当理解的是,本实施例中,可通过缺失值前后的数据得到对应的填补数据,如将缺失值处的填补数据取为缺失值前后两数据的均值,此处不予限制。
S2.根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;其中,n为自然数,且2≤n<N。
具体地,本实施例中,n=3;对应地,根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型,包括:
S201.对所述预处理后历史售电量序列中的第一个连续采集周期的售电量序列和第二个连续采集周期的售电量序列进行移动平均处理,得到第一单次移动平均后售电量序列;
S202.对所述预处理后历史售电量序列中的第二个连续采集周期的售电量序列和第三个连续采集周期的售电量序列进行移动平均处理,得到第二单次移动平均后售电量序列;
S203.对所述第一单次移动平均后售电量序列和所述第二单次移动平均后售电量序列进行移动平均处理,得到二次移动平均后售电量序列;
S204.根据所述第一单次移动平均后售电量序列、所述第二单次移动平均后售电量序列和所述二次移动平均后售电量序列,得到售电量变动趋势模型。
作为举例,本实施例中,所述预处理后历史售电量序列的第一个连续采集周期的售电量序列如为X1,X2,……,X12,第二个连续采集周期的售电量序列如为X13,X14,……,X24,第三个连续采集周期的售电量序列如为X25,X26,……,X36,则第一单次移动平均后售电量序列可为Y13,Y14,……,Y24,第二单次移动平均后售电量序列可为Y25,Y26,……,Y36,二次移动平均后售电量序列可为Z25,Z26,……,Z36;其中,Yt'=(Xt'-11+Xt'-10+……+Xt')/12,t'∈{13,14,……,36},Zt'=(Yt'-11+Yt'-10+……+Yt')/12,t'∈{25,26,……,36},t'指代预处理后历史售电量序列任一采样周期中的月份。
具体地,本实施例中,售电量变动趋势模型为:
f(t')=at'+bt'×t';
式中,at'=2Yt'-Zt',bt'=2(Yt'-Zt')/(n-1)。
S3.根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集。
本实施例中,所述售电量周期变化指数集为第N个采集周期的预测售电量序列中的所有预测售电量与第N个采集周期的售电量序列中的所有售电量一一对应的比值集合。
具体地,当N为3时,所述售电量周期变化指数集中,任一采样周期中任一月t'的售电量变化指数为:
St’=Zt'/Xt’。
S4.根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型。
具体地,本实施例中,所述售电量预测模型为:
=f(t)×/>;
式中,为待预测周期t的售电量预测结果,其采用售电量预测序列的形式进行体现;f(t)为所述售电量变动趋势模型;/>为所述售电量周期变化指数集。
S5.获取待预测周期,并将所述待预测周期输入所述售电量预测模型中,得到所述待预测周期的售电量预测结果。需要说明的是,本实施例中,待预测周期为第N个采样周期后的某一周期,且为实现准确预测,本实施例中,待预测周期的长度与采样周期的长度相同。
本实施例可提高售电量预测结果的准确性,适用于长期的售电量预测。具体地,本实施例在实施过程中,通过采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;再根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;随后根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;并根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;最后根据所述售电量预测模型可得到待预测周期的售电量预测结果。在此过程中,本实施例通过售电量变动趋势模型及售电量周期变化指数集得到售电量预测模型,可利于把握售电量的基本变化规律以及周期性变化规律,进而保证长周期售电量预测结果的准确性,可以为调度部门做出相关决策提供有力的帮助。
实施例2:
本实施例公开了一种售电量预测系统,用于实现实施例1中售电量预测方法;如图2所示,所述售电量预测系统包括:
样本采集模块,用于采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;其中,所述预处理后历史售电量序列中包括N个连续采集周期的售电量序列,N为自然数,且N≥2;
趋势模型生成模块,与所述样本采集模块通信连接,用于根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;其中,n为自然数,且2≤n<N;
变量集生成模块,分别与所述样本采集模块和所述趋势模型生成模块通信连接,用于根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;
预测模型生成模块,分别与所述趋势模型生成模块和所述变量集生成模块通信连接,用于根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;
售电量预测模块,与所述预测模型生成模块通信连接,用于获取待预测周期,并将所述待预测周期输入所述售电量预测模型中,得到所述待预测周期的售电量预测结果。
实施例3:
在实施例1或2的基础上,本实施例公开了一种电子设备,该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等,如图3所示,电子设备包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如实施例1中任一所述的售电量预测方法的操作。
具体地,处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable LogicArray,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中实施例1提供的售电量预测方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地,外围设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/ Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。
电源306用于为电子设备中的各个组件进行供电。
实施例4:
在实施例1至3任一项实施例的基础上,本实施例公开了一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,所述计算机程序指令被配置为运行时执行如实施例1所述的售电量预测方法的操作。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种售电量预测方法,其特征在于:包括:
采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;其中,所述预处理后历史售电量序列中包括N个连续采集周期的售电量序列,N为自然数,且N≥2;
根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;其中,n为自然数,且2≤n<N;
根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;
根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;
获取待预测周期,并将所述待预测周期输入所述售电量预测模型中,得到所述待预测周期的售电量预测结果。
2.根据权利要求1所述的一种售电量预测方法,其特征在于:对所述历史售电量序列进行预处理,得到预处理后历史售电量序列,包括:
对所述历史售电量序列中的售电量数据进行单位转换,得到单位转换后历史售电量序列;
对所述单位转换后历史售电量序列中进行去重操作,得到去重后历史售电量序列;
获取所述去重后历史售电量序列中的异常值,并将所述异常值从所述去重后历史售电量序列中删除,得到清洗后历史售电量序列;
对所述清洗后历史售电量序列中的缺失值进行数据填补,得到预处理后历史售电量序列。
3.根据权利要求2所述的一种售电量预测方法,其特征在于:获取所述去重后历史售电量序列中的异常值,包括:
根据所述去重后历史售电量序列中的所有售电量数据,得到所述去重后历史售电量序列中的第一分位数和第二分位数;其中,所述第一分位数小于所述第二分位数;
根据所述第一分位数和第二分位数,得到下边界值和上边界值;
根据所述下边界值和所述上边界值,得到所述去重后历史售电量序列中小于下边界值或大于上边界值的售电量数据,并将该售电量数据作为异常值。
4.根据权利要求3所述的一种售电量预测方法,其特征在于:下边界值=第一分位数-(第二分位数-第一分位数)×1.5,上边界值=第二分位数+(第二分位数-第一分位数)×1.5。
5.根据权利要求1所述的一种售电量预测方法,其特征在于:n=3;对应地,根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型,包括:
对所述预处理后历史售电量序列中的第一个连续采集周期的售电量序列和第二个连续采集周期的售电量序列进行移动平均处理,得到第一单次移动平均后售电量序列;
对所述预处理后历史售电量序列中的第二个连续采集周期的售电量序列和第三个连续采集周期的售电量序列进行移动平均处理,得到第二单次移动平均后售电量序列;
对所述第一单次移动平均后售电量序列和所述第二单次移动平均后售电量序列进行移动平均处理,得到二次移动平均后售电量序列;
根据所述第一单次移动平均后售电量序列、所述第二单次移动平均后售电量序列和所述二次移动平均后售电量序列,得到售电量变动趋势模型。
6.根据权利要求5所述的一种售电量预测方法,其特征在于:所述售电量周期变化指数集为第N个采集周期的预测售电量序列中的所有预测售电量与第N个采集周期的售电量序列中的所有售电量一一对应的比值集合。
7.根据权利要求1所述的一种售电量预测方法,其特征在于:所述售电量预测模型为:
=f(t)×/>;
式中,为待预测周期t的售电量预测结果;f(t)为所述售电量变动趋势模型;/>为所述售电量周期变化指数集。
8.一种售电量预测系统,其特征在于:用于实现如权利要求1至7中任一项所述的售电量预测方法;所述售电量预测系统包括:
样本采集模块,用于采集目标区域的历史售电量序列,并对所述历史售电量序列进行预处理,得到预处理后历史售电量序列;其中,所述预处理后历史售电量序列中包括N个连续采集周期的售电量序列,N为自然数,且N≥2;
趋势模型生成模块,与所述样本采集模块通信连接,用于根据所述预处理后历史售电量序列中的前n个连续采集周期的售电量序列,得到售电量变动趋势模型;其中,n为自然数,且2≤n<N;
变量集生成模块,分别与所述样本采集模块和所述趋势模型生成模块通信连接,用于根据所述售电量变动趋势模型,得到第N个采集周期的预测售电量序列,并根据第N个采集周期的预测售电量序列以及第N个采集周期的售电量序列,得到售电量周期变化指数集;
预测模型生成模块,分别与所述趋势模型生成模块和所述变量集生成模块通信连接,用于根据所述售电量变动趋势模型以及售电量周期变化指数集,得到售电量预测模型;
售电量预测模块,与所述预测模型生成模块通信连接,用于获取待预测周期,并将所述待预测周期输入所述售电量预测模型中,得到所述待预测周期的售电量预测结果。
9.一种电子设备,其特征在于:包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如权利要求1至7中任一项所述的售电量预测方法的操作。
10.一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,其特征在于:所述计算机程序指令被配置为运行时执行如权利要求1至7中任一项所述的售电量预测方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310895810.7A CN116611591A (zh) | 2023-07-20 | 2023-07-20 | 一种售电量预测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310895810.7A CN116611591A (zh) | 2023-07-20 | 2023-07-20 | 一种售电量预测方法、系统、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611591A true CN116611591A (zh) | 2023-08-18 |
Family
ID=87684070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310895810.7A Pending CN116611591A (zh) | 2023-07-20 | 2023-07-20 | 一种售电量预测方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611591A (zh) |
-
2023
- 2023-07-20 CN CN202310895810.7A patent/CN116611591A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goiri et al. | Greenhadoop: leveraging green energy in data-processing frameworks | |
CN107231264A (zh) | 用于管理云服务器的容量的方法和装置 | |
CN118152106A (zh) | 资源调度方法和终端设备 | |
CN112651563B (zh) | 负荷预测方法、装置、计算机可读存储介质及电子设备 | |
CN105359057A (zh) | 设置计算机参数使得电源工作在基于电源的功率效率峰值的范围内 | |
CN111047369A (zh) | 一种电力现货市场监测分析装置及系统 | |
CN116632838B (zh) | 应用于发电企业的电能供给分析的方法及装置 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN113689068A (zh) | 一种电力电量平衡规划方法、装置及终端设备 | |
CN106649067B (zh) | 一种性能和能耗预测方法及装置 | |
CN108830663B (zh) | 电力客户价值评价方法、系统及终端设备 | |
CN107480832A (zh) | 短期电量预测方法、装置及电子设备 | |
CN116611591A (zh) | 一种售电量预测方法、系统、电子设备及介质 | |
CN116402638A (zh) | 一种台区线损计算方法、系统、电子设备及介质 | |
CN115796398A (zh) | 基于电力物资的需求智能分析方法、系统、设备及介质 | |
CN114676177A (zh) | 一种金融指标的确定方法、装置、设备、介质及产品 | |
CN114462676A (zh) | 一种用户侧储能优化方法及系统 | |
CN109190789B (zh) | 中长期风电功率预测方法、装置、计算机设备及存储介质 | |
CN113128738A (zh) | 一种基于时间序列平移法的用电策略优化方法及装置 | |
CN112861363B (zh) | 光伏发电状态估计方法、装置及终端设备 | |
CN115796710B (zh) | 电力物资智能抽检方法、装置、电子设备及可读存储介质 | |
CN115034506B (zh) | 基于降雨数据的防洪方案生成方法、装置、设备及介质 | |
CN116484237A (zh) | 一种电碳因子确定方法、装置、电子设备和存储介质 | |
CN110298742B (zh) | 数据处理方法和装置 | |
CN117035736A (zh) | 一种检修计划生成方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |